學貫中西(11)：從因果律看人機協同創新

高煥堂

1 前言：AI與因果性

近幾年來，全球AI精英都很關心AI的一個議題： 當今AI仰賴于大數據的相關性（Correlation）。然而，相關性并不一定表示其具有因果關系（Correlation does not imply causation）。由于當今AI對于因果關系的探索能力，還是非常有限的，仍然非常依賴人類（具有溯因性推理習慣者）來補足。人類具有溯因性推理習慣者，就是通稱的創新者（如諸葛亮等），其擅長于溯因推理（Abductive reasoning）——從果追溯其真實的因。

如果AI能夠掌握更高階的因果關系，就可望降低其不確定性的行為、大幅提升可解釋性、可信賴度，以及創造性思維能力。這就是目前AI專家們努力的方向，也就是AI將邁向革命性的大未來。所以，有人稱之為：因果革命。

2 因果革命

新一代的AI科學家們，正努力強化現在的AI，就是讓AI除了大數據相關性之外，能提升探索和掌握因果性的能力。于此建議您可以參閱這本2019年的暢銷書（圖1）。在這本書里，將因果關系分為三個階層：觀察、行動和想象（圖2）。那么，AI的大未來就是讓AI能充分掌握深層的因果性。也就是這本書里，所說的：高階因果關系。

從圖2中可以看到了，當今AI所掌握的相關性，仍屬于低階（第1階）的因果關系，與人類相比仍有極大的距離。AI的大未來，將是逐漸提升到第2階、第3階。屆時，AI具備了想象、假設和反思的能力。

3 認識溯因推理

從認知學（Cognitive science）的角度來說，人們與所以我就得出一個結論：年輕人應該大多數都在做電子業（但不一定正確），這叫做歸納推理。第二種是演繹推理，就像數學是最典型了，例如兩條直線在同一平面上，又沒有交叉，則它們必然是并行線。這叫做演繹推理。

第三種推理是溯因推理（Abductive reasoning），像醫生就是最典型的。當您去看醫生的時候，醫生看到您滿頭大汗，而且有一點發燒、流鼻涕，他就看到這個 “果”，然后倒過來追溯其“因”，他猜您可能是傷風感冒了，所以他就給你藥吃。下次再遇到你的時候，他馬上會問你：身體有沒有好些了呢？這叫做溯因推理。溯因推理是傳統IT和當今AI都幾乎不具備的能力。人類數千年來，自己都不知道人天生就有這項思考能力。一直到了約100年前，美國哲學家皮爾士（Charles Peirce）才提出來的。

上述的三種推理之中，歸納和演繹推理都是從因推到果，俗稱因果性推理。而溯因推理則是從果推到因，俗稱果因性推理。當今的AI非常擅長的是基于相關性的歸納推理，從（原）因推到（結）果，這種規律性，它能在一瞬間就掌握。有一些專家估計，這種能力AI已經達到很高智商（IQ300）了，而人類天才是IQ180。反之，從果推到因，AI就不太內行了。

4 從因果性說明“人機協作”模式

掌握事物本質的因果關系，一直是人類科學研究的目標。然后從復雜的因果關聯中，歸納、抽象出簡單不變的規律性。人人與生俱來，都會觀察事物的因果關系，并進行歸納和預測。例如，常常有人說：好人有好報，多行善多積福。這就是人們從經驗中找出的因果關系和規律性（圖3）。

由于引發一項（結）果的可能（原）因，也許會很多，且深藏不露，人們常常不易確知。于是，從觀察天文地理、人情世故、人性心理等出發，找出相關性，進而歸納出規律性，是一條較為容易之路。例如，孔夫子的 “三人行，必有我師焉”，韓愈的”師者，傳道授業解惑也”等等。隨著互聯網和大數據的日益豐富，加上NN-based的當今AI歸納性推理，更加擴大這條人類5000年來的傳統之路。

當今的AI做出了貢獻：基于大數據分析找出相關性，作為歸納法的基礎，過濾大量數據和復雜關系，迅速歸納出規律性，強化對事物的預測能力。所以AI強化了歸納推理，也強化了因果性推理。然而，AI所掌握的相關性，只是低階（又稱淺層）的因果關系，仍然欠缺深層因果性的支撐，而導致其規律性，并非能歸根究柢的規律性。對于未來結果的改變，仍然只是治標而不是治本，未能產生根本性、原創性、革命性的效果。

例如，一個人很沮喪而吃不下飯。AI只會建議去更高雅、菜色更香的餐廳吃飯，而不是安慰她/他失戀的起因。AI只從大數據得知她/他的心情與飯菜有關，甚至有時還誤以為是飯菜導致心情沮喪呢！

所以在圖1這本書里，作者建議，AI的未來發展要逐步讓AI能夠掌握更多的真正因果關系。于是AI就更接近人類了。如何讓AI具有能力從大數據中觀察到的果，或低階的相關性中，近一步探索其背后深層的真正原因，是AI大未來之路。簡而言之，就是讓AI具備“溯因性推理”的能力。

然而，AI要邁向第3階，就必須具備想象、假設和反思的能力，才能從果追溯到真正的因。預估AI還大約還需要數十年的成長時光，才能達到這個境界。所以，眼前的下一步是：人機協同合作。基于當今的NN算法，已經大大賦予AI的歸納性推理能力。基于大數據，已經讓AI從復雜的全體事物中，迅速歸納出的規律性。這是僅掌握小數據的人類，所望塵莫及的。簡而言之，AI現在具有超強的全體性歸納推理能力了。只是欠缺從果追溯（深層原）因的能力，使得他無法歸納出具有第3階的因果規律性。

于是，在眼前到未來的數十年之間，人類的溯因性推理能力，可以暫持彌補AI能力的欠缺（圖5）。

在這協同合作模式中，人類幫忙追溯到更多真正的因，AI的因果性規律的威力就愈有強大。同時，AI的因果性規律的威力變得愈強大，也幫忙人類溯因推理過程中的去蕪存菁作用，讓人類更省力更精確找到真正的因。于是，人機協同合作，成為邁向AI大未來的眼前暫時現象。簡而言之，目前AI已經非常強大的相關性探索力和歸納性推里能力，我們如何善加利用來強化人類的果因性（即溯因性）推理能力。一旦AI強大歸納推理力，強力搭配人類的果因性推理能力，則像醫生、股市、軍事等不確定性高的場域（偏于果因性推理），就都可迎刃而解了。熟諳此道的企業將成為AI時代的大贏家了。

5 演練：AI如何納入人類專家的果因性智慧

AI模型設計的核心思維是：關聯性與因果性。例如，Y與Z之間的因果關系是人人皆有的知識（圖6）。

一開始，人們使用一種“手段T”來偵測Y（因），就能準確預測Z（果）。后來，人們也發現一樣這個因，會產生另一種果“X”。

于是，AI就可以派上用場了。 然而，如果想開始建立一個AI模型來實現“從X預測Z”的低成本新方法，那么我們設計的AI模型會位于哪一個（箭頭）位置呢？答案是：在XY箭頭的位置上，而且是“X → Y”方向。例如建立一個分類模型（Classifier），其中X是可觀測的訓練數據（Training data），然后基于人類專家（如醫生）的果因（溯因）性智慧，來對因（即Y）進行分類，并貼上分類標簽（Label），就可以進行模型訓練了。在訓練過程中，會拿“T → Y ”來嚴格檢驗AI模型 “X → Y ”的預測（分類）效果。一旦訓練好了這AI模型，就能發揮AI的魅力：從偵測到的ECG心電圖形變化來及時預測，并避免休克。例如，Apple Watch就是這種人機協同創新的著名產品（圖8）。

這是結合人類專家的果因性智慧，搭配AI的相關性智慧，協同創造出很棒的因果律產品。